大型语言模型在创造性思维过程中与人脑活动对齐 Large Language Models Align with the Human Brain during Creative Thinking
首次系统揭示LLM在创造性任务上与人脑DMN/FPN网络的对齐规律。
前置知识
功能磁共振成像 (fMRI)
通过检测血氧水平依赖(BOLD)信号间接测量脑活动的非侵入式神经影像技术，能在毫米级空间分辨率下捕捉大脑各区域的激活状态。
本文全部神经信号都来自fMRI数据，读者需要理解BOLD信号的噪声特性以及为何要做单试次β图估计。
默认模式网络 (DMN) 与额顶网络 (FPN)
DMN包含内侧前额叶、后扣带皮层等区域，在静息态与内省/想象任务中高激活；FPN包含外侧前额叶与后顶叶，负责认知控制与任务切换。
DMN与FPN是创造性思维的核心神经基础，本文的核心对齐分析正是聚焦这两个网络。
表征相似性分析 (RSA)
通过计算两个系统表征差异矩阵(RDM)之间的相关系数来度量它们表征几何相似性的方法，不要求两者维度一致，对噪声较稳健。
本文选择RSA而非线性预测，因为每被试的刺激样本不足以训练可靠的回归模型。
替代用途任务 (AUT)
经典的发散性思维测验：要求被试在限定时间内为日常物品(如砖块)想出尽可能多且富有创意的非常规用途，是评估创造力的金标准任务之一。
本文使用Beaty等人2018年收集的AUT任务fMRI数据作为创造性认知的实验范式。
发散性思维 vs. 聚合性思维
发散性思维强调从单一起点产生多样化的新颖想法；聚合性思维则指向单一正确答案(如数学解题)，二者对应不同的认知与神经机制。
论文核心论点是当前的推理后训练(偏向聚合性思维)可能损害发散性思维的对齐。
噪声上限归一化 (Noise Ceiling)
由同一刺激的多次重复测量估计出的fMRI信号可靠性上限，用于将原始对齐分数归一化为0-1区间的可比指标。
本文对每个被试估计噪声上限后再除以原始RSA分数，使跨脑区、跨模型比较更具意义。
研究动机
近年来大量工作证明LLM的内部表征可以线性预测人脑在被动语言加工(如阅读、聆听)时的fMRI响应，且模型规模越大、对齐越好。然而这些研究几乎完全聚焦于被动语言任务，对发散性思维——人类创造力的核心引擎——涉及的高度分布式脑网络(远超经典语言系统)缺乏考察。一个自然但悬而未决的问题是：在创造性任务上表现越好的LLM，是否也与人脑在创造性任务中的神经表征更相似？例如Frontoparietal Network等参与认知控制的网络、Default Mode Network等参与自我生成思维的网络是否都能在LLM中找到对应？
本文的目标是本文首次系统性地在发散性创造性思维(Alternative Uses Task, AUT)这一主动认知任务下，量化17个不同规模(270M-72B)和不同后训练策略的LLM与170名被试fMRI数据的脑-模型对齐程度，并通过与匹配的非创造性控制任务(Object Characteristics Task, OCT)以及非创造性脑网络(体感网络)的对比，揭示规模、性能、训练目标三个因素如何选择性调节与创造性神经几何的对齐。
与已有工作不同的是，切入角度有三层独特性：第一，从任务维度上，把脑-LLM对齐从被动语言理解扩展到主动创造性思维这一全新认知范畴；第二，从表征维度上，同时考察prompt处理阶段与生成响应阶段的差异，而非只看输入表征，使对齐分析能捕捉完整的生成过程；第三，从训练维度上，把创造力优化(CrPO)、人类行为模拟(Minitaur)、推理链蒸馏(DeepSeek-R1)三种截然不同的后训练范式并置在同一基座(Llama-3.1-8B)上，首次揭示它们对创造性神经几何的对齐具有功能上可解释的选择性影响，并由此质疑当前以聚合性思维为主导的后训练对发散性思维的潜在损害。
核心方法
整体思路是：在相同的刺激条件下分别测量人脑(170人fMRI)与LLM(17个模型)的表征，用表征相似性分析(RSA)在表征差异矩阵层面计算二者几何相似度，并按模型规模、AUT任务表现、最佳层位置、高/低创造力子集等维度做相关性分析。技术上首先做fMRI预处理(GLM估计单试次β图)，然后用Yeo等人2011的脑图谱提取DMN、FPN与体感网络三个感兴趣区；同时把同样指令和刺激喂给LLM，分别在prompt阶段与生成响应后提取各层激活，并分别尝试last-token与mean-token两种池化策略；对每被试估计噪声上限后做归一化，最后跨层取最大RSA分数作为模型对齐得分。
与已有脑-LLM对齐研究相比，本文的本质区别在于三点：(1) 引入双阶段表征提取——同时考察prompt编码阶段与生成阶段，揭示对齐是阶段依赖的；(2) 引入创造性分群分析——按人类评分(1-5)将脑数据切分为高/低创造力子集(N=1978 vs. 1358)，从而可单独考察每个LLM变体对不同创造力水平的神经响应；(3) 引入后训练消融对照——在同一基座模型(Llama-3.1-8B)上对比创造力优化(CrPO)、人类行为微调(Minitaur)、推理链蒸馏(DeepSeek-R1)三种目标，得到训练目标与神经对齐的功能选择性因果证据。
方法步骤详情
流程分四步。第一步准备脑数据：取Beaty et al. 2018的170人fMRI，每人平均暴露于23个AUT与23个OCT刺激，先剔除8名异常参与者，再用nilearn做去混淆、趋势去除、标准化与带通滤波，最后用GLM对每个trial估计β图作为神经响应模式。第二步准备模型数据：把指令中“objects”替换为刺激词后送入17个开源指令模型，在每层分别取prompt-only与prompt+generated-response两种激活，并尝试last-token与mean-token两种池化。第三步计算RSA对齐：对每个被试-模型-层组合计算脑RDM与LLM RDM的Spearman相关，按层取最大值，并除以被试噪声上限得到归一化分数。第四步统计分析：跨模型计算对齐与参数数量、AUT评分(由Gemini-3-Flash作LLM裁判)、最佳层相对深度的Pearson相关，并对四种后训练变体在高/低创造力子集上分别比较对齐差异。
技术新颖性
技术新颖性体现在三处。第一是双阶段RSA分析框架，把prompt阶段的“理解式”对齐与生成阶段的“生产式”对齐区分开来，揭示了规模-对齐相关性仅在prompt阶段显著(r=0.58)，生成阶段显著减弱甚至反转。第二是创造性分群RSA，通过将同一刺激下不同被试的神经响应按人类创造力评分二分，首次把“哪个LLM变体与人类高/低创造力神经响应更对齐”变成可量化的问题。第三是同基座多训练目标对照实验，把CrPO、Minitaur、DeepSeek-R1-distill三种目标在完全相同的基座与数据上做平行对比，避免了规模、词表、预训练数据等混淆因素，使“训练目标→对齐模式”的因果推断更可信。
实验结果
核心发现可归纳为五条，每条都有具体统计量支撑。第一，prompt处理阶段DMN与LLM表征的对齐分数与模型参数规模呈显著正相关(Pearson $r=0.58$, $p<0.05$)，与AUT任务表现(由Gemini-3-Flash打分)也呈显著正相关($r=0.51$, $p<0.05$)，即更大且创造力更强的模型在创造性思维初期更接近人脑表征。第二，对齐是阶段依赖的：改用生成响应后的激活时，规模与表现的相关性明显减弱，作者推测这反映了规模增大后模型响应在长度、结构上与人类越来越不一致。第三，最佳对齐层出现在网络较深的位置，最佳层相对深度与对齐分数呈正相关($r=0.54$, $p<0.05$)，验证了创造性思维主要由LLM的高层抽象表征承担。第四，后训练目标对高/低创造力神经响应表现出功能选择性影响：CrPO在生成阶段保留高创造力对齐但降低低创造力对齐，Minitaur同时抬升两者对齐，DeepSeek-R1-distill则出现显著反转——与高创造力响应负对齐、与低创造力响应正对齐。第五，双重分离(OCT任务与体感网络上规模、性能相关性均不显著)确认效应的创造性特异性。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| DMN脑对齐 vs. 模型规模 | Pearson相关系数 r | r=0.58, p<0.05 (prompt阶段) | 无显著相关 (生成响应阶段) | prompt阶段呈现中等强度正相关，生成阶段相关性消失 |
| DMN脑对齐 vs. AUT任务表现 | Pearson相关系数 r | r=0.51, p<0.05 (prompt阶段) | OCT任务或体感网络上不显著 | 双重分离确认效应的创造性特异性 |
| DMN脑对齐 vs. 最佳层相对深度 | Pearson相关系数 r | r=0.54, p<0.05 | 无直接可比的基线 | 证明创造性对齐由高层抽象表征驱动 |
| 高创造力响应子集(N=1358)对齐 | RSA归一化分数(方向性反转) | CrPO保留正向对齐，DeepSeek-R1呈负向对齐 | Instruct版本对两类响应大致等同对齐 | 首次揭示训练目标对创造力神经几何的选择性调控 |
局限与改进
作者明确承认的局限包括：每被试刺激数较少(平均23个/任务)导致无法使用线性预测，只能用RSA；每个被试每个刺激仅一次trial，神经信号噪声较大需用噪声上限归一化；创造力评分分布左偏，采用2.0的固定阈值做高/低二分可能掩盖中间区段的细节；仅在英文AUT上验证，跨语言泛化未知；使用的LLM裁判(Gemini-3-Flash)虽被前人验证可用，但与人类评分并非完全等价。观察到的隐含局限有：论文未考察指令措辞微调(只把“objects”换成刺激名)对结果稳健性的影响；最佳层策略可能高估对齐分数(在测试集上选最优层等价于轻度过拟合)；未控制模型词表与预训练语料的差异，规模相关性可能与这些混淆因素耦合。
独立分析的弱点
独立看至少有四个可改进点。第一，最佳层选择策略存在轻度过拟合风险——在所有层上选最大RSA分数后再做相关分析，相当于在测试条件上做了模型选择，建议未来用独立被试做层选择与对齐评估。第二，模型数量(17个)与多样性有限，且部分模型(如Falcon-40B、Olmo-32B)的训练数据、词表差异较大，规模相关性可能被这些因素混淆，未来应控制训练语料或使用更同质的模型家族。第三，刺激替换策略(只把“objects”换成刺激名)可能改变指令语用属性，对遵循指令能力较弱的模型(如基座Llama-3.1-8B)影响更大，可能夸大生成阶段的退化，建议保留完整指令并测量模型对指令的解读一致性。第四，论文仅考察DMN与FPN两个创造性网络，未涉及基底节、海马、salience网络等同样被文献提及的创造性相关结构，且未做全脑体素级分析，对“网络级别对齐”的结论应理解为ROI级别而非全脑。
未来方向
作者明确提出的方向是：把脑对齐作为评估LLM创造性认知的工具，开发更多发散性思维友好的后训练目标，避免纯聚合性思维训练对创造性表征的侵蚀。基于结果可合理延伸的方向包括：第一，把同一框架扩展到其他创造性范式(如远程联想测验RAT、Torrance创造性思维测验TTCT、故事生成等)以检验结论的范式依赖性；第二，研究“对齐”的中间层动态——既然最佳层偏深，中层和顶层在创造性生成中各承担何种角色值得追踪；第三，结合眼动、近红外光谱等更细粒度的时间信号，把阶段依赖的脑-模型对齐推进到时间分辨尺度；第四，对齐分数本身可作为奖励信号用于微调，使模型在保持行为表现的同时提升与人类创造性神经几何的兼容性；第五，跨语言、跨文化复制研究，考察创造性神经表征的文化共性与差异。
复现评估
复现可行性整体较好。论文使用了Beaty et al. 2018已发表的公开fMRI数据集(170人AUT+OCT)，模型侧全部使用开源指令跟随模型(Gemma-3家族、Llama-3.1/3.2、Olmo-3.1、Falcon-40B、DeepSeek-R1-distill、Qwen2.5家族)，其中特殊变体CrPO-Llama-3.1-8B-Instruct-cre源自Ismayilzada et al. 2025的公开工作，Minitaur源自Binz et al. 2025，因此原则上可复现。复现门槛主要在三处：(1) 计算资源——最大模型为Qwen2.5-72B与Llama-3.1-70B-Instruct，全层激活提取对显存要求较高，需要多卡A100/H100；(2) fMRI预处理需要熟悉nilearn与GLM流程；(3) 噪声上限估计、单试次β图估计、最佳层选择等实现细节需要严格按论文附录复现。主要障碍是论文本身尚处于预印本(preprint under review)状态，代码与中间产物未明示开源链接，需关注作者后续是否在GitHub发布。
论文图表
